[发明专利]基于空间约束多自编码器的多元地球化学异常识别方法

权利要求书

1.基于空间约束多自编码器的多元地球化学异常识别方法，其特征在于，包括以下步骤：

步骤1.数据聚类，即通过对多元化探样本数据进行归一化和聚类，生成多个样本组；

步骤2.空间域划分，即根据样本组的地理空间分布，利用中值滤波和空间约束规则消除碎片，生成多个空间域；

具体步骤为：

步骤2.1.利用圆形窗口的中值滤波方法对聚类结果进行滤波，并多次迭代，直至各个样本组再不发生明显变化；

步骤2.2.设定空间约束规则，并利用空间约束规则进一步优化样本组划分；

步骤2.3.将属于同组但空间分离的样本块划分为独立样本组，直至最终生成的多个样本组在地理空间上的表现为多个相互独立且各自内部连续的区块，即空间域；

步骤3.自监督学习，即针对每个空间域构建多个结构特征不同的自编码器神经网络模型，并利用相应空间域内的样本数据进行训练，选取误差最小的自编码器作为该空间域的最优模型；

步骤4.异常值计算，即计算每个化探样本原始数据与相应空间域的最优自编码器输出值之间的欧式距离；

步骤5.异常地图生成，即将样本异常值映射到样本所在地理位置，反映化探异常的地理空间分布。

2.根据权利要求1所述的基于空间约束多自编码器的多元地球化学异常识别方法，其特征在于，所述步骤1中，分析不同聚类因素对化探样本数据聚类结果的影响，并查看不同聚类因素条件下的聚类结果是否在空间分布上具有差异。

3.根据权利要求2所述的基于空间约束多自编码器的多元地球化学异常识别方法，其特征在于，所述聚类因素包括聚类数、聚类方法和相似性度量方式，所述聚类方法为无监督方法，所述聚类方法包括K-means方法和SOM方法。

4.根据权利要求1所述的基于空间约束多自编码器的多元地球化学异常识别方法，其特征在于，所述步骤3中，针对每个空间域，利用多个结构特征不同的自编码器组件构建多个自编码器神经网络模型，并利用相应空间域内的样本数据进行训练，每个自编码器的训练在误差不再变化时停止，选取误差最小的自编码器作为该空间域的最优模型。

5.根据权利要求4所述的基于空间约束多自编码器的多元地球化学异常识别方法，其特征在于，样本异常值的计算公式如下：

l：样本异常值

x_k：化探样本原始数据中元素k的含量；

x_k′：相应空间域的最优自编码器输出数据中元素k的含量；

n：化学元素的个数。